Matlab问题-主成分分析

我有一组100个观察值，每个观察值有45个特征。每一个观察都有一个标签，我想根据这45个特征来预测。这是一个45×100维的输入矩阵和一个1×100维的目标矩阵。
问题是，我想知道这45个特征中有多少与我的数据集相关，基本上是主成分分析，我知道我可以用Matlab function

processpca

实现这一点。

你能告诉我怎么做吗？假设输入矩阵是

x

，有45行100列，

y

是一个有100个元素的向量。

你试过了吗

COEFF=princomp（X）

组件分析（PCA） n-by-p数据矩阵

X

，并返回 主成分系数 被称为装载。

X行

对应于观察结果，列对应于 变量

COEFF

是一个逐p矩阵， 包含系数的每列 对于一个主成分。这个 列按递减顺序排列 成分方差

---

假设您想要基于45x100矩阵构建1x100向量的模型，我不相信PCA会像您所想的那样。PCA可用于选择模型估计的变量，但这是一种收集一组模型特征的间接方法。不管怎样，我建议阅读以下两种：

而且

---

…两者都在MATLAB中提供代码，不需要任何工具箱。

从您的问题中，我推断您不需要在MATLAB中执行此操作，但您只需要分析数据集。根据我的观点，关键在于依赖关系的可视化

---

如果你不是被迫在MATLAB中进行分析，我建议你尝试更专业的软件，比如WEKA（www.cs.waikato.ac.nz/ml/WEKA/）或RapidMiner（rapid-I.com）。这两个工具都可以提供PCA和其他降维算法+它们包含很好的可视化工具

您的用例听起来像是分类和特征选择的组合

统计工具箱在这方面提供了很多很好的功能。工具箱提供了对许多分类算法的访问，包括

• 朴素贝叶斯分类器
• 决策树（又名随机森林）
• 二项和多名义logistic回归
• 线性判别分析

您还可以使用多种选项进行要素选择，包括

• sequentialfs（向前和向后特征选择）
• 放松
• “treebagger”还支持特征选择和估计变量重要性的选项

或者，您可以使用“优化工具箱”的一些功能编写自己的自定义公式来估计变量的重要性

几个月前，我为MathWorks做了一个名为“计算统计：使用MTALAB开始分类”的网络研讨会。你可以在

示例的代码和数据集可从MATLAB Central获得

尽管如此，许多人在应用分类算法之前将主成分分析作为预处理步骤。PCA被广泛使用

当您需要从图像中提取特征时

当你担心多重共线性时

---

你应该找到相关矩阵。在以下示例中，matlab使用“corr”函数查找相关矩阵

---

@David Heffernan:这是我迄今为止看到的最模糊的评论@杰克：R在语法上类似于Matlab。如果你想走那条路，你可以看看。是的，R是你想要的PCA@David赫弗南：那Matlab的主成分分析代码怎么办？它太少了，以至于人们必须切换到R才能得到好的结果？@Jonas我相信你可以在Matlab中完成，而且我相信它工作得很好，只是统计在R中是最简单的。你可能会发现这篇文章很有用：注意，这个解决方案需要统计工具箱。我已经尝试过了，但问题是我想看看哪些特征在我的数据中是重要的。我想建立一个神经网络，我只想把这些特性作为输入。请把所有相关的代码和文档放在这里。链接可能会随着时间的推移而改变，并使此答案无效。